استفاده از تکنیک‌های شبکه‌های عصبی در بهبود یادگیری خودروهای خودران

به گزارش خبرنگار گروه استان‌های خبرگزاری آنا، نیره زاغری به‌عنوان نخستین دانشجوی مقطع دكتری تخصصی رشته مهندسی کامپیوتر هوش مصنوعی روباتیک در دانشگاه آزاد اسلامی واحد شهرقدس موفق به دفاع از رساله دکتری خود با نمره عالی شد.

زاغری داور فصلنامه علمی پژوهشی دانشگاه تهران و مؤلف چند کتاب در  زمینه تخصصی کامپیوتر و شبکه‌های کامپیوتری و استارت‌آپ بوده و در حوزه کسب و کار و مدیریت استارت‌آپ‌ها و مدیر پژوهش و مرکز نوآوری واحد کرج فعال است.

وی که سابقه تدریس در واحدهای دانشگاهی تهران مرکزی، شهرقدس و هشتگرد را در کارنامه دارد در طول تحصیل به‌عنوان دانشجوی برتر، پژوهشگر برتر  و استاد نمونه نیز شناخته شده است. او در مقطع دکتری جزء استعدادهای درخشان بوده و بدون آزمون پذیرفته و با معدل 19.50 فارغ‌التحصیل شده و نتایج حاصل از تحقیقات رساله دکتری در ژورنال اشپرینگر منتشر شده است.

عنوان رساله نخستین دانشجوی مقطع دكتری تخصصی رشته مهندسی کامپیوتر هوش مصنوعی روباتیک در دانشگاه آزاد اسلامی واحد شهرقدس «بهبود یادگیری خودروهای خودران مبتنی بر رفتار رانندگی واقعی با استفاده از تکنیک‌های شبکه‌های عصبی عمیق» است.

این پایان‌‌‌‌نامه با کمک استادان راهنما محمود فتحی استادتمام دانشگاه علم و صنعت و  سیدمهدی جامعی عضو هیئت علمی واحد شهرقدس و مدیر گروه دکتری کامپیوتر  و مشاوره محمد سبکرو فوق دکتری کامپیوتر IPM هدایت شده و در مرحله داوری توسط محمد منظوری از دانشگاه صنعتی شریف، پیمان بابایی از دانشگاه تهران و اکرم رضا از دانشگاه شهرقدس داوری شد.

تشریح چکیده‌ رساله دانشجوی مقطع دكتری تخصصی رشته مهندسی کامپیوتر هوش مصنوعی روباتیک

زاغری در تشریح چکیده‌ای از رساله دکتری خود در گفتگو با خبرنگار گروه استان‌های خبرگزاری آنا اظهار کرد: با توجه به پیشرفت‌های چشمگیر در فناوری خودروهای خودران، تحقیقات در این زمینه مورد توجه محققان است.

وی ادامه داد: برای رانندگی خودرو خودران، باید کنترل زاویه فرمان، دریچه گاز و ترمزها را به خودرو آموزش دهیم تا خودرو خودران بدون دخالت راننده، رانندگی امن داشته باشد. تحقیقات روی بهبود آموزش و یادگیری خودرو خودران بزرگ‌ترین حوزه مورد توجه در این زمینه است و تاکنون چالش‌هایی در یادگیری وجود دارد.

به گفته دانش‌آموخته دكتری تخصصی رشته مهندسی کامپیوتر هوش مصنوعی روباتیک دانشگاه آزاد اسلامی واحد شهرقدس، هرچه یادگیری، بهینه و با سرعت بالاتر باشد، عملکرد نهایی خودرو خودران مطلوب‌تر است؛ بنابراین هدف اصلی فعالیت در این حوزه دقت و سرعت یادگیری همزمان است.

زاغری خاطرنشان کرد: در همین راستا از روش کلون‌سازی رفتاری برای تقلید از رفتار رانندگی انسان استفاده می‌شود. در این پژوهش، برای بهبود کلون رفتاری یک چارچوب ارائه کرده‌ایم که ابتدا مجموعه‌ای از فیلم‌ها و اطلاعات مورد نیاز در رانندگی امن را در مسیرها و شرایط مختلف ایجاد کردیم.

وی افزود: در مرحله بعد با نوع عملکرد راننده و تشخیص موانع با الگوریتم پیشنهادی ارائه شده به‌ نام الگوریتم یولو-فازی سرکوب حداکثر عکس‌العمل راننده در برابر موانع با دقت و سرعت بالاتری در مقایسه با الگوریتم‌های تشخیص موانع را با استفاده از چارچوب طراحی شده انجام دادیم.

این دانش‌آموخته رشته مهندسی کامپیوتر هوش مصنوعی روباتیک با بیان اینکه در ادامه، شبکه توسط عملکرد راننده آموزش می‌بیند و خروجی مورد استفاده برای کنترل وسیله نقلیه به دست می‌آید، عنوان کرد که برای یادگیری خودرو خودران بر اساس رفتار رانندگی واقعی یک چارچوب نهایی با استفاده از الگوریتم تشخیص موانع پیشنهادی و یک شبکه یادگیر بر اساس تکنیک‌های شبکه عصبی عمیق ارائه شده است.

زاغری ادامه داد: در این تحقیق یک شبکه کانولوشنی (LSV-DNN) طراحی کرده‌ایم که از داده‌های رانندگی امن واقعی به‌دست آمده از طریق دوربین و رایانه وسیله نقلیه استفاده می‌کند. نحوه رانندگی راننده هنگام رانندگی در موقعیت‌های مختلف ضبط می‌شود و با تبدیل فیلم رانندگی واقعی راننده به فریم‌های تصاویر و انتقال داده‌های کامپیوتر خودرو به یک فایل اکسل با توجه به نحوه عکس‌العمل راننده تشخیص مانع با بهترین دقت و سرعت با استفاده از الگوریتم یولو-فازی سرکوب حداکثر  انجام می‌شود و شبکه آموزش می‌بیند تا بهترین عکس‌العمل را بدون دخالت راننده انجام دهد.

وی با بیان اینکه این شبکه با تقلید رفتار یک انسان حرکت می‌کند به آنا گفت: به‌این‌ترتیب، شبکه پاسخ راننده را به موانع موجود در مکان‌های مختلف می‌آموزد و با نتایج شبکه و خروجی تشخیص مانع آموزش می‌بیند و سپس زاویه چرخش فرمان و میزان ترمز، گاز و شتاب خودرو را به خروجی می‌دهد.

دانش‌آموخته رشته مهندسی کامپیوتر هوش مصنوعی روباتیک با بیان اینکه عملکرد این مدل از طریق شبیه‌سازی‌های گسترده انجام شده و در محیط پایتون و تنسور فلو ارزیابی می‌شود، بیان کرد: خطای شبکه را نیز با استفاده از تابع خطا ارزیابی کرده‌ایم. نتایج تأیید کرد که چارچوب پیشنهادی قادر به یادگیری بهتر و نمایش دقت پیش‌بینی بالاست.

زاغری افزود: علاوه بر این، چارچوب پیشنهادی با معیارهای صحت ارزیابی را بررسی کرده و چارچوب پیشنهادی در مقایسه با سایر رویکردهای مورد استفاده کنونی دارای سرعت بالا (بیش از 64.41درصد) ،FPR کم (کمتر از 89/6درصد) و FNR کم (کمتر از 3.95درصد) است.

وی اظهار کرد: عملکرد چارچوب طراحی شده روی دو نوع داده KITTI و داده‌های جمع‌آوری شده با استفاده از وسیله نقلیه شخصی و داده‌هایی که جمع‌آوری کرده‌ایم، آزمایش شده و با توجه به تابع اتلاف صحت عملکرد شبکه 95 درصد است که نشان می‌دهد نتایج خوبی کسب کرده‌‍‌ایم.

زاغری در تشریح نتیجه‌گیری رساله دكتری خود به آنا گفت: وسایل نقلیه خودران با استفاده از CAN داده‌ها را از طریق سنسورها، محرک‌ها و واحدهای کنترل الکترونیکی (ECU) و از طریق سیگنال دیفرانسیل ارتباط برقرار می‌کنند. ECU مسئول اجرای دستورات تصمیم‌گیری به‌وسیله نقلیه خودمختار با جمع‌آوری اطلاعات از CAN ایجاد می‌شود.

دانش‌آموخته رشته مهندسی کامپیوتر هوش مصنوعی روباتیک بیان کرد: روش مرسوم برای تجزیه دستورات تصمیم‌گیری، برنامه‌ریزی حرکت است که از الگوریتم ردیابی مسیر برای ارزیابی دستورات تصمیم‌گیری استفاده می‌کند. این مطالعه بر طراحی یک شبکه با استفاده از کلونینگ رفتاری و برنامه‌ریزی حرکت خودرو خودران با استفاده از یک چارچوب یادگیری عمیق متمرکز است.

وی خاطرنشان کرد: در قسمت نخست این مطالعه، تجزیه و تحلیل دستورات تصمیم‌گیری را از الگوریتم ردیابی مسیر به سیستم کنترل حرکت خودرو بررسی می‌کنیم و یک شبکه یادگیر مبتنی بر شبکه عصبی عمیق را با استفاده از کلونینگ رفتاری پیشنهاد کرده‌ایم. شبکه پیشنهادی هنگامی‌ که با داده‌های رانندگی که از CAN دریچه گاز، ترمز و گشتاور و فیلم‌های ضبط شده از پیرامون خودرو در حین رانندگی به‌دست می‌آید را آموزش می‌دهد.

زاغری افزود: بخش دوم این مطالعه شبکه LSV-DNN را تکمیل می‌کند که در آن یک الگوریتم تشخیص مانع یولو برای تشخیص موانع پیرامون خودرو و یک شبکه عصبی پایان به پایان برای پیش‌بینی سرعت و زاویه فرمان با داده‌های تصویر به‌عنوان ورودی ارائه می‌شود.

دانش‌آموخته رشته مهندسی کامپیوتر هوش مصنوعی روباتیک واحد شهرقدس خاطرنشان کرد: با توجه به این‌که CNN قادر است ویژگی‌های جاده را از یک سیگنال آموزشی (حتی تنها زاویه فرمان) یاد بگیرد در طول فرآیند آموزش نشان داده شده است كه كیفیت داده (بسیار بیشتر از كمیت) برای این كاربرد به‌طور ویژه ضروری است.

وی بیان کرد: این شبکه قادر به یادگیری است و می‌تواند با توجه به زاویه چرخش فرمان و شتاب و ترمز و عملکردهای راننده واقعی، نتایج خوبی را در خروجی ارائه دهد و خروجی مورد نظر را به سیستم حرکت خودرو اعمال کنیم. شبکه LSV-DNN می‌تواند اقدامات راننده را نیز در شبکه شبیه‌سازی کنند و سرانجام، توانستیم برنامه‌ریزی برای مسیریابی در جاده‌های دشوار را انجام دهیم.

زاغری با بیان اینکه شبکه LSV-DNN برای آموزش از داده‌های واقعی استفاده کرده و  برای عملکرد در چند حالت رفتاری مجزا ارائه شده است، گفت: این روش اطلاعات رفتاری را مستقیماً وارد جریان پردازش شبکه می‌کند و امکان اشتراک پارامتر را بین حالت‌های مرتبط فراهم می‌کند.

دانش‌آموخته رشته مهندسی کامپیوتر هوش مصنوعی روباتیک ادامه داد: در این رساله مجموعه داده‌های منحصربه‌فرد خود را ارائه می‌دهیم که دارای بیش از چند ساعت فیلم از پیاده‌رو و داده‌های خارج از جاده ضبط شده از یک گروه خودروهای در حال رانندگی در شرایط متنوع است.

وی یادآور شد: نتایج تأیید کرد که طرح پیشنهادی قادر به نشان دادن دقت پیش‌بینی بالا (بیش از 92.93درصد) است. علاوه بر این، طرح پیشنهادی در مقایسه با سایر رویکردهای مورد استفاده کنونی دارای سرعت بالایی (بیش از 64.41درصد) ،FPR کم (کمتر از 89/6درصد) و FNR کم (کمتر از 3.95درصد) است.

انتهای پیام/4062/